基于机器学习的办公建筑暖通空调系统能耗预测及优化调度

发布时间：2020-07-16 00:25

【摘要】：在当今不断加剧的恶劣天气影响下,建筑作为能源资源不可忽视的消费者,如何对其进行有效的能源管理,节约能源资源,优化其用能结构受到了广泛的关注。而暖通空调作为建筑中最主要的耗能设备之一,针对其进行能耗预测以及节能优化对于降低建筑整体能耗、缩减成本,都具有重要的现实意义和实际指导作用。本论文利用数据驱动的方法对我国北部某大型办公建筑的能耗进行了预测、全年能耗仿真以及优化调度。本文首先采集了该建筑2016年11月至2017年3月以来的能耗数据以及空调运行数据。在人为进行了整理、消除异常数据、坏样本点之后,利用主元分析算法对其进行降维处理,将降维之后的样本集利用一种基于集成学习算法的能耗预测模型进行预测,再对照Energy+仿真结果获得全年能耗数据。最后,综合分析其整体能耗、热负荷以及暖通空调能耗搭建了一种具有优化调度功能的能源枢纽模型。基于集成学习算法Adaboost-BP模型在提高BP神经网络算法模型的预测精度的同时,可以修正BP神经网络算法的已陷入局部极小值、收敛速度慢等缺陷。且该集成学习算法对于弱分类器的要求很低,几乎不需要对其参数进行调整,因此使用范围广,鲁棒性好。对于每月的预测精度分别由86%,89.01%,89.89%和81.16%分别提高至88.13%,90.31%,90.14%,89.16%和85.91%,尤其对于自身分类效果不佳的算法模型具有更为明显的提升效果。根据该办公建筑的物理特征及气候特点,本文将能耗预测所得到的数据结合仿真手段Energy Plus得到了有参考意义的该建筑全年能耗,包括热、电、暖通空调能耗等等数据。根据其能耗特点在Matlab环境下搭建了一个具有多个优化目标协同的能源枢纽系统,并对其进行优化。最终形成了一个具有灵活热电比热电联产设备的能源枢纽系统,该热电比是响应暖通空调耗电量与建筑整体热负荷的比例在一定区间内变化的。最终利用MATLAB求解可知,对比之前稳定热电比的能源枢纽系统,具有灵活热电比的能源枢纽在2017年该地区的气候条件下一年可以节约4.5%的经济成本,2.9%的天然气,3.3%的电量输入以及3.2%的CO2排放。此外,该能源枢纽系统有利于实现能源的梯级利用并对于可再生能源的消纳应用具有现实指导意义。总之,本论文提出的基于数据驱动的能耗预测以及优化调度对于优化办公建筑能耗结构、节约能源资源、降低温室气体排放、降低用电高峰期用户端需求量增大对电网造成的冲击都具有良好效果,也为分布式能源网络格局的设计提供了一种设计思路。
【学位授予单位】：华中科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TU83;TU111.195
【图文】：

折线图,主元,累积贡献率

大小以及累积贡献率的大小。图 2-2 所示，深蓝色柱状图表示的是主元按照贡献献率，蓝色折线图表示的是主元的累积贡献率，由主元的累积贡献率已经超过 95%。换句话说，可以个仅含有 5 个主元且主元彼此之间无相关性的矩阵。表 2-2 主元贡献率及累积贡献率献率累积贡献率主元序号贡献率 .4801 0.4801 6 0.0304 .2179 0.6980 7 0.0078 .1260 0.8240 8 0.0018 .0769 0.9008 9 0.0010 .0582 0.9590 10 0.0000

算法原理

图 3-1Adaboost 算法原理图 Adaboost-BP 算法在建筑能耗预测中的应用BP 神经网络作为误差反向传播的多层前馈网络算法，非线性映射能力强，的自学习和自适应能力，泛化性能好，并具有一定的鲁棒性，非常符合 ada对于弱分类器的诉求。加之，在 Adaboost 算法框架下，可以解决其易陷入值的缺陷。.1 BP 算法在能耗预测算法中的应用其结构主要包括三个部分：输入层、隐含层和输出层，原始数据通过输入层输隐含层、输出层计算并输出。在计算时，会通过不断反向传播误差的这种方与层之间的权值和阈值，当计算误差满足设置精度时返回计算结果。输入层由输入的数据样本维度，即特征变量来决定，输出层节点的个数由样

神经网络结构,三层,隐含层

华中科技大学硕士学位论文早在 1989 年，Robert Hecht Nielsen[69]已经论证了一个具有三层结构的神经可以逼近仿真所有的非线性问题，因此，在本文中，也采用三层神经网络结神经网络结构如图 3-2 所示，其中 wij、wjk分别为输入层与隐含层、隐含之间的权值，bj、bk分别为隐含层和输出层的阈值。

【参考文献】